基于正交元学习增强贝叶斯优化的不确定性多目标推荐
机器学习
2025-02-20 v1 人工智能
摘要
推荐系统（RSs）在塑造我们的数字交互中发挥着关键作用，影响着我们跨各个领域访问和参与信息的方式。传统研究主要集中在最大化推荐准确率上，这往往会导致诸如信息茧房和受限的用户体验等意想不到的副作用。受自动驾驶的启发，我们引入了一种新颖的框架，将 RS 自主性划分为五个不同的级别，从基础的基于规则的准确率驱动系统到行为感知的不确定性多目标 RS——其中用户可能有不同的需求，如准确率、多样性和公平性。作为回应，我们提出了一种基于个人用户偏好动态识别并优化多个目标的方法，从而促进更加道德且以用户为中心的智能推荐。为了应对多目标 RS 中固有的不确定性，我们开发了一个贝叶斯优化（BO）框架，该框架捕捉不同目标之间的个性化权衡，同时考虑其不确定的相互依赖关系。此外，我们引入了正交元学习范式，通过利用相似任务间的共享知识并利用正交信息的发现来缓解目标间的冲突，从而提升 BO 的效率与有效性。最后，广泛的实证评估证明了我们的方法在为个体用户优化不确定性多目标方面的有效性，为更具适应性和以用户为中心的 RS 铺平了道路。
引用
@article{arxiv.2502.13180,
title = {Uncertain Multi-Objective Recommendation via Orthogonal Meta-Learning Enhanced Bayesian Optimization},
author = {Hongxu Wang and Zhu Sun and Yingpeng Du and Lu Zhang and Tiantian He and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2502.13180},
year = {2025}
}